10979

Нелинейная регрессия

Лекция

Математика и математический анализ

Нелинейная регрессия Связь между признаком и может быть нелинейной например в виде полинома: Здесь степень полинома случайная составляющая Для имеющихся данных можно записать По аналогии с 14.4 в матричной форме получим: где . Таким образом получ...

Русский

2013-04-03

192.4 KB

33 чел.

Нелинейная регрессия

Связь между признаком  и  может быть нелинейной, например, в виде полинома:

Здесь  степень полинома, случайная составляющая, 

Для имеющихся данных  можно записать

По аналогии с (14.4) в матричной форме получим:

где  .

Таким образом, получили формулы аналогичные многомерной регрессии. Слово “линейный” в названии “линейный регрессионный анализ” означает линейность относительно параметров , но не относительно факторов . Кроме полиномиальной формы широко используются, например, следующие модели:

  1.  логарифмическая; если зависимость то после логарифмирования получим:

;

  1.  гиперболическая; (при обратной зависимости, т.е. при увеличении  признак  уменьшается):

  1.  тригонометрическая:

, и многие другие.

Правильный выбор вида модели является отправной точкой для качественного ее анализа. На практике неизвестно, какая модель является верной. Поэтому зачастую подбирают такую модель, которая наиболее точно соответствует реальным данным. Учитывая, что идеальной модели не существует, попытаемся сформулировать критерии, позволяющие остановить свой выбор на качественной модели

Обычно для построения "хорошей" работоспособной модели и сравнения ее с другими возможными моделями необходимо учитывать следующие свойства (критерии).

Скупость (простота). Модель должна быть максимально простой. Это свойство обусловлено тем фактом, что модель не отражает действительность идеально, а является ее упрощением. Поэтому из двух моделей, примерно одинаково отражающих реальность, предпочтительнее та, которая содержит меньшее число объясняющих переменных.

Единственность. Для любого набора статистических данных определяемые параметры (коэффициенты) должны вычисляться однозначно.

Максимальное соответствие. Уравнение (модель) тем лучше, чем большую часть разброса зависимой переменной оно может объяснить. Поэтому стремятся построить модель с максимально возможным скорректированным коэффициентом детерминации .

Согласованность с теорией. Никакое уравнение не может быть признано качественным, если оно не соответствует известным теоретическим предпосылкам.

Прогнозные качества. Модель может быть признана качественной, если полученные на ее основе прогнозы подтверждаются реальностью.

Таким критерием прогнозных качеств оцененной модели регрессии может служить отношение:

где стандартная ошибка регрессии,  среднее значение зависимой переменной уравнения регрессии. Если величина  мала (а она определяет относительную ошибку прогноза в процентах) и отсутствует автокорреляция (критерий Дарбина – Уотсона), то прогнозные качества модели высоки.

Если уравнение регрессии используется для прогнозирования, то величина  обычно рассчитывается не для того периода (данных), на котором оценивались параметры уравнения, а для некоторого следующего за ним временного интервала, для которого известны значения зависимой объясняющей переменных.

Поскольку не существует какого либо единого правила построения регрессионных моделей, анализ перечисленных свойств и практический опыт, опирающийся на глубокие знания теории и статистического анализа, позволяют строить более качественные модели.

Рассмотрим практический пример: Как и в предыдущих задачах исследования будем проводить в пакете Statistica.

Все исходные данные сведены в таблицу.


Y

X

1

8,475

0,1

2

9,21

0,2

3

10,181

0,3

4

11,386

0,4

5

12,851

0,5

6

14,877

0,6

7

16,834

0,7

8

19,634

0,8

9

22,973

0,9

10

27,139

1

11

31,773

1,1

12

37,678

1,2

13

44,99

1,3

14

54,074

1,4

15

65,106

1,5

Вначале построим линейную зависимость (модель)

.

Заполним все опции стартового диалогового окна Multiple Regressions и выполним анализ. Проанализируем параметры модели и ее качество (рис.1).

Рис.1. Основные результаты регрессионного анализа

Построенная модель имеет вид: Это уравнение объясняет 87.9% () вариации зависимой переменной , скорректированный коэффициент детерминации равен . Что касается качества модели, то линейная зависимость существенна ( Относительно коэффициентов уравнения – выводы неоднозначны: свободный член уравнения  незначимо отличается от нуля, а коэффициент  значимо отличен от нуля. При подробном анализе модели необходимо тщательно проанализировать остатки (графически и аналитически). Мы же ограничимся только графиком, на котором представлены предсказанные данные (сплошная линия) и исходные данные (рис.2).

Рис. 2. Сравнение исходных данных с результатами линейной модели

Анализ графика исходных данных свидетельствует об их нелинейной зависимости. Выскажем предположение, что искомая функциональная зависимость имеет экспоненциальный вид:

Для получения уравнения экспоненциальной регрессии воспользуемся пунктом Exponential growth regression в меню Statistics  Advanced Linear/Nonlinear Models (см. рис.3.)

Рис. 3. Модуль экспоненциальной зависимости

Выбрав зависимую и независимую переменные, перейдем к настройкам проведения регрессионного анализа (рис.4). Выберем квази-ньютоновский метод для вычисления параметров модели. Квази-ньютоновский метод вычисляет значения функции в различных точках для оценивания первой (тангенс угла наклона графика функции в конкретной точке) и второй (скорость изменения угла наклона) производной, используя эти данные для определения направления изменения параметров и минимизации функции потерь. Кроме метода вычислений укажем максимальное число итераций и критерий сходимости.

Рис.4. Выбор метода оценки коэффициентов экспоненциальной регрессии

Проведем регрессионный анализ, для чего нажимаем «ОК».

Для получения полной информации о коэффициентах регрессионного уравнения выбираем пункт и получим результат (рис. 5).

Рис.5. Значения коэффициентов экспоненциальной модели.

Построенная модель имеет вид:

О качестве модели можно судить хотя бы по тому, что она описывает 99.996 % зависимой переменной. При проведении исследований часто полезным бывает использование диаграммы рассеяния наблюдаемых и предсказанных значений - (рис.6). Вспомним, что для линейной модели аналогичные результаты приведены на рис. 2.

Рис. 6. Сравнение исходных данных с результатами экспоненциальной модели

Как свидетельствует построенный график, предложенная экспоненциальная модель идеально описывает исходные данные (все исходные точки легли на теоретическую кривую).


 

А также другие работы, которые могут Вас заинтересовать

68553. Общее и особенное в концепциях российского либерального консерватизма и «евразийства» 185 KB
  БашГУ Общее и особенное в концепциях российского либерального консерватизма и евразийства Общими моментами методологии для российского либерального консерватизма и евразийства являются: ведение анализа в рамках координат пространство время в отличие от радикального либерализма и марксисткого социализма...
68554. К вопросу о полемике И.А.Ильина и П.Б.Струве с Н.А.Бердяевым 131.23 KB
  В дореволюционный период отношения Бердяева и Струве развивались в духе творческого сотрудничества что можно проследить по их переписке. Струве оказал Бердяеву поддержку в издании его первой книги Субъективизм и индивидуализм в общественной философии 2 и написал к ней благожелательное предисловие...
68556. О концепциях истории Башкортостана 112.5 KB
  Итак правосознание и правоотношения населения Башкирии отличалось сложностью и развитостью Башкортостан нельзя считать классической Азией восставшей на прогрессивную Европу в лице России как интерпретировал события в Башкирии С. Башкирия была куда более традиционным по типу азиатским по цивилизационной...
68557. ИНТЕЛЛЕКТУАЛЬНЫЕ РОБОТЫ ВЧЕРА, СЕГОДНЯ, ЗАВТРА 96.5 KB
  В докладе рассматриваются вопросы применения технологий ИИ для роботов. Описывается история современное состояние перспективы развития и модельные задачи для интеллектуальных роботов. Не случайно одним из направлений ИИ до сих пор считается целенаправленное поведение роботов создание интеллектуальных...
68558. МІСЦЕ ПЕДАГОГІЧНОЇ ДІАГНОСТИКИ В УДОСКОНАЛЕННІ ВНУТРІШКІЛЬНОГО КОНТРОЛЮ ТА В УПРАВЛІННІ РОЗВИТКОМ ПЕДКОЛЕКТИВА 75 KB
  Деякі підходи до діагностування підсистем навчальновиховного процесу додатки 110. Педагогічна діагностика як частина педагогічної діяльності і науки вивчає передумови процес і результати навчальновиховного процесу для його оптимізації не може стояти осторонь від сучасних перетворень у суспільстві.
68559. Диференційований підхід до підвищення професійної компетентності педагогів в інноваційній школі 88.5 KB
  Специфіка сучасного етапу розвитку школи зумовлена новими завданнями які стоять перед освітніми установами: гуманізація і гуманітаризація освітнього процесу; створення умов для вільного розвитку особистості; висунення на перший план загальнолюдських цінностей і в першу чергу особистості...
68560. Инновации в менеджменте современного образовательного учреждения 81.5 KB
  Предлагаемое заседание методического совета которое проходило в компьютерном классе с использованием информационных технологий наглядно показывает роль методической службы УВК во внедрении инновационной деятельности в процессе управления.
68561. Проект - составная имиджа учебного заведения 49 KB
  Используя этот опыт мы отобрали творчески освоили откорректировали и разработали свою модель матрицу алгоритм учебного проекта которая может изменяться варьироваться: Формулирование идей замыслов тем. Коллективное обсуждение идей будущего проекта в группе распределение ролей и утверждение этапов деятельности.